可回收垃圾的视觉检测系统设计

针对分类混合垃圾的要求越来越高、工作量越来越大、人工成本越来越高的问题,提出了基于机器视觉技术的垃圾分类,设计了基于YOLO V5网络的可回收垃圾的视觉检测系统。首先,对输入的图片进行预处理将其转化为统一大小;然后,使用深度网络进行可回收垃圾特征的提取。在自建的垃圾数据库上测试,对可回收垃圾的识别率可达到90%,平均一张图片的识别时间不到0.2 s。实验表明,该系统可以有效地完成可回收垃圾的识别与检测工作。

基于ConvNeXt网络的交通标志识别算法

交通标志的识别对于自动驾驶与智能导航具有重要意义,针对已有深度学习网络识别率不高的问题,提出一种基于ConvNeXt网络模型的交通标志智能识别算法。该网络以纯粹的CNN模型为特点,具有更优的图像分类及检测分割任务的性能。文中使用GTSRB数据集进行实验,与MobileNet、ResNet等网络进行对比测试,测试结果表明,ConvNeXt网络收敛速度最快并且稳定,最终交通标志的识别准确率达99%以上。实验结果表明,该算法准确率高,具有一定的工程应用意义。